智能算法在图像分割中的应用研究

论文摘要

图像分割作为图像处理和分析的基础,是一种重要的计算机视觉技术。阈值分割法具有计算简单、分割效果理想等特点,被广泛应用于各种图像分割领域,而基于模糊熵算法的阈值分割法是当前最常用的图像分割方法。传统模糊熵分割算法的分割阈值易受噪声影响,针对此问题,提出了一种改进的基于二维灰度直方图的模糊熵阈值分割算法。新算法将图像的二维灰度直方图划分出有效区域,并根据中心像素与邻域均值之间的关系重新定义了模糊熵函数的隶属度。将灰色系统理论中灰色关联度的概念引入到模糊熵阈值分割算法中。利用灰色关联度来描述中心像素与邻域像素的关联程度,并将该灰色关联度与模糊熵函数的隶属度相结合,由此重新定义了模糊熵阈值分割算法中的隶属度函数。提出了基于灰色关联度的两种改进模糊熵阈值分割算法。图像单阈值分割在很多情况下不能满足实际要求,因此需要对图像进行多阈值分割。然而,传统穷举法搜索图像的多个分割阈值时,因图像数据量较大,导致运算时间较长,难以应用于实际工程中。为此,采用智能优化算法来搜索图像的多个分割阈值,具有很好的应用前景。针对微粒群算法全局搜索能力不强的缺陷,提出了一种基于随机参数的改进微粒群算法。为克服传统模糊聚类算法的缺陷,引入模糊聚类有效性指标函数,提出了基于变长度微粒群算法与模糊聚类有效性指标函数的自适应图像多阈值分割方法。引入基因跳跃操作的遗传算法有助于提高遗传算法的收敛速度和全局搜索能力。但是,标准跳跃基因遗传算法的基因跳跃操作缺乏指导,容易破坏较优基因,为此提出了三项改进措施。将跳跃基因遗传算法引入到模糊熵多阈值分割算法中,实现图像最佳分割阈值组合的快速搜索。蚁群算法具有正反馈机制、强鲁棒性等优点,采用蚁群算法实现模糊熵函数的最小化过程,从而获得图像分割的最佳阈值组合。通过大量的测试函数寻优仿真以及实际图像的分割实验,验证了基于智能算法的图像阈值分割方法的有效性,从而为图像分割问题提供了新的解决方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题依据与意义
• 1.2 图像分割研究现状
• 1.3 智能算法研究现状
• 1.4 基于智能算法的图像分割研究现状
• 1.5 本文的主要研究内容
• 第二章 模糊熵分割算法及其改进
• 2.1 基本概念
• 2.1.1 信息熵
• 2.1.2 模糊熵
• 2.1.3 灰色系统与灰色关联分析
• 2.2 模糊熵分割算法
• 2.3 基于二维直方图的改进模糊熵算法
• 2.3.1 二维灰度直方图的改进
• 2.3.2 隶属函数的改进
• 2.3.3 实验研究
• 2.4 基于灰色关联度的改进模糊熵算法I
• 2.4.1 算法原理
• 2.4.2 实验研究
• 2.5 基于灰色关联度的改进模糊熵算法II
• 2.5.1 算法原理
• 2.5.2 实验研究
• 2.6 本章小结
• 第三章 基于微粒群算法的模糊聚类分割
• 3.1 微粒群算法原理与实现步骤
• 3.2 改进微粒群算法及仿真研究
• 3.2.1 改进方案
• 3.2.2 仿真研究
• 3.3 模糊聚类有效性指标函数
• 3.4 基于变长度微粒群优化模糊聚类的图像分割
• 3.4.1 变长度PSO 优化模糊聚类算法
• 3.4.2 实验研究
• 3.5 本章小结
• 第四章 基于跳跃基因遗传算法的模糊熵多阈值分割
• 4.1 跳跃基因遗传算法
• 4.1.1 算法原理
• 4.1.2 算法实现步骤
• 4.1.3 仿真研究
• 4.2 改进跳跃基因遗传算法
• 4.2.1 改进方案
• 4.2.2 仿真研究
• 4.3 基于跳跃基因遗传算法的图像多阈值分割
• 4.3.1 模糊熵多阈值分割算法
• 4.3.2 基于JGGA 算法的模糊熵多阈值分割算法及实验
• 4.4 本章小结
• 第五章 基于蚁群算法的模糊熵多阈值分割
• 5.1 蚁群算法原理
• 5.1.1 生物学基础
• 5.1.2 数学模型
• 5.1.3 实现步骤与流程
• 5.1.4 性能分析
• 5.2 基于蚁群优化的模糊熵多阈值分割
• 5.2.1 蚁群优化模糊熵算法
• 5.2.2 实验研究
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 课题总结
• 6.2 课题展望
• 参考文献
• 致谢
• 在学期间的研究成果